Skip to main content
Search
Search
    Quick Search anywhere
    Quick search in Citations
Advanced Search
Skip main navigationClose Drawer MenuOpen Drawer Menu
Previous article
Next article
Originalia

Analyse von Längsschnittdaten:

Published Online:January 01, 2003https://doi.org/10.1026/0084-5345.32.1.51

Abstract

Zusammenfassung.Theoretischer Hintergrund: Zur statistischen Auswertung von Längsschnittdaten werden häufig etablierte Methoden wie die Varianzanalyse mit Messwiederholung verwendet, die jedoch hinsichtlich ihrer statistischen Annahmen und der Berücksichtigung fehlender Werte sehr begrenzt sind. In den letzten Jahren wurden geeignetere Verfahren entwickelt, die sich unter den Begriffen Mehrebenenmodelle oder hierarchische lineare Modelle (HLM) zusammenfassen lassen. Fragestellung: Die Verbesserungen durch flexiblere Annahmen in der Varianzanalyse und insbesondere durch den so genannten random regression-Ansatz, der in vielen Fällen eine sinnvolle Alternative zu varianzanalytischen Verfahren darstellen kann, werden erläutert. Methode: Die Herleitung erfolgt nicht-technisch am Beispiel einer Therapieverlaufsstudie und folgt klinisch-psychologischen Fragestellungen. Ergebnisse: Es zeigt sich, dass mit den Methoden der HLM die besonderen Anforderungen von Therapieverlaufsdaten wie personenspezifische Effekte, variierende serielle Abhängigkeiten und ungleiche Erhebungszeitpunkte wesentlich besser modelliert werden können. Schlussfolgerung: Der Einsatz der HLM ermöglicht flexiblere Auswertungsansätze, wodurch die Teststärke und die Präzision der statistischen Tests für die Therapieevaluation und -prognose wächst.


Analysis of longitudinal data: Application of hierarchical linear models

Abstract.Background: Longitudinal data arise frequently in clinical psychology and in psychiatric research. These data are most often analyzed using a repeated-measures analysis of variance model. These methods, however, are limited either by their restrictive statistical assumptions or their unsatisfactory treatment of missing data. In recent years, a family of more suitable statistical models - hierarchical linear models - has been developed. Objective: To illustrate the advantages of these new models arising from their more flexible assumptions for covariance structure, and in particular by their application of random regression models. Method: Problems with the traditional approach are discussed and the improvements introduced by the new models are described in a non technical manner, using a dataset from depression treatment research. Results: Person-specific effects, varying serial correlation, and irregular measurement occasions play important roles in longitudinal data. By addressing such features these models employ a more realistic and flexible approach to providing the basis for statistical tests of hypotheses. Conclusion: Researchers dealing with longitudinal data should be aware of the advantages of hierarchical linear models.

Literatur

  • Agresti, A. , Hartzel, J. (2000). Strategies for comparing treatments on a binary response with multi-centre data. Statistics in Medicine, 19, 1115– 1139 . First citation in articleCrossref, Google Scholar

  • Ambrosius, W. T. , Hui, S. L. (2000). A quality control measure for longitudinal studies with continous outcomes. Statistics in Medicine, 19, 1339– 1362 . First citation in articleCrossref, Google Scholar

  • Baumann, U. , Fähndrich, E. , Stieglitz, R.-D. , Woggon, B. (1990). Probleme der Veränderungsmessung in Psychiatrie und Klinischer Psychologie. In U. Baumann, E. Fähndrich, R.-D. Stieglitz & B. Woggon (Hrsg.), Veränderungsmessung in Psychiatrie und Klinischer Psychologie (S. 15-43). München: Profil . First citation in articleGoogle Scholar

  • Bryk, A. S. , Raudenbush, S. W. (1987). Application of hierarchical linear models to assessing change. Psychological Bulletin, 101, 147– 158 . First citation in articleCrossref, Google Scholar

  • Bryk, A. S. , Raudenbush, S. W. (1992). Hierarchical linear models: Applications and data analysis methods . Newbury Park, CA: SAGE . First citation in articleGoogle Scholar

  • Bryk, A. S. , Raudenbush, S. W. , Congdon, R. T. (1996). HLM: Hierarchical linear and nonlinear modeling with the HLM/2L and HLM/3L programs . Chicago: Scientific Software International Inc . First citation in articleGoogle Scholar

  • Casella, G. (1985). An introduction to Empirical Bayes data analysis. American Statistician, 39, 83– 87 . First citation in articleGoogle Scholar

  • Cnaan, A. , Laird, N.M. , Slasor, P. (1997). Using the general linear mixed model to analyse unbalanced repeated measures and longitudinal data. Statistics in Medicine, 16, 2349– 2380 . First citation in articleCrossref, Google Scholar

  • Dawson, K. S. , Gennings, C. , Carter, W. H. (1997). Two graphical techniques useful in detecting correlation structure in repeated measures data. American Statistician, 51, 275– 283 . First citation in articleGoogle Scholar

  • Everitt, B. S. (1995). The analysis of repeated measures: A practical review with examples. The Statistician, 44, 113– 135 . First citation in articleCrossref, Google Scholar

  • Everitt, B. S. (1998). Analysis of longitudinal data. Beyond MANOVA. British Journal of Psychiatry, 172, 7– 10 . First citation in articleCrossref, Google Scholar

  • Engel, U. (1998). Einführung in die Mehrebenenanalyse . Opladen: Westdeutscher Verlag . First citation in articleCrossref, Google Scholar

  • Frick, U. , Rehm, J. , Krischker, S. , Cording, C. (1999). Length of stay in a German psychiatric hospital as a function of patient and organizational characteristics - a multilevel analysis. International Journal of Methods in Psychiatric Research, 8, 146– 161 . First citation in articleCrossref, Google Scholar

  • Gibbons, R. D. , Hedeker, D. , Elkin, I. , Waternaux, C. , Kraemer, H. C. , Greenhouse, J. B. , Shea, M. T. , Imber, S. T. , Sotsky, S. M. , Watkins, J. T. (1993). Some conceptual and statistical issues in the analysis of longitudinal psychiatric data. Archives of General Psychiatry, 50, 739– 750 . First citation in articleCrossref, Google Scholar

  • Goldstein, H. (1995). Multilevel statistical models (2nd ed.) . London: Arnold . First citation in articleGoogle Scholar

  • Hautzinger, M. , de Jong-Meyer, R. (1996). Zwei Multizenter-Studien zur Wirksamkeit von Verhaltenstherapie, Pharmakotherapie und deren Kombination bei depressiven Patienten: Einführung, Rahmenbedingungen und Aufgabenstellungen. Zeitschrift für Klinische Psychologie, 25, 83– 92 . First citation in articleGoogle Scholar

  • Hedeker, D. , Gibbons, R.D. (1997). Application of random-effects pattern-mixture models for missing data in longitudinal studies. Psychological Methods, 2, 64– 78 . First citation in articleCrossref, Google Scholar

  • Jennrich, R. I. , Schluchter, M. D. (1986). Unbalanced repeated measures models with structured covariance matrices. Biometrics, 42, 805– 820 . First citation in articleCrossref, Google Scholar

  • de Jong-Meyer, R. , Hautzinger, M. , Rudolf, G. , Strauß, W. , Frick, U. (1996). Prädiktions- und Verlaufsanalysen bei kombinierter psychologischer und medikamentöser Therapie endogen depressiver Patienten. Zeitschrift für Klinische Psychologie, 25, 110– 129 . First citation in articleGoogle Scholar

  • Keller, F. , Hautzinger, M. (2000). Veränderung der täglichen Befindlichkeit als Prädiktor für Therapieerfolg bei depressiven Patienten. In W. Maier, R. R. Engel & H.-J. Möller (Hrsg.), Methodik von Verlaufs- und Therapiestudien in Psychiatrie und Psychotherapie (S. 167-170). Göttingen: Hogrefe . First citation in articleGoogle Scholar

  • Keller, F. , Spieß, M. , Hautzinger, M. (1996). Statische und dynamische Prädiktoren für den Verlauf depressiver Erkrankungen: eine Auswertung mittels verallgemeinerter Schätzgleichungen. Zeitschrift für Klinische Psychologie, 25, 234– 243 . First citation in articleGoogle Scholar

  • Laird, N. M. , Ware, J. H. (1982). Random-effects models for longitudinal data. Biometrics, 38, 963– 974 . First citation in articleCrossref, Google Scholar

  • Lesaffre, E. , Verbeke, G. (1998). Local influence in linear mixed models. Biometrics, 54, 570– 582 . First citation in articleCrossref, Google Scholar

  • Littell, R. C. , Milliken, G. A. , Stroup, W. W. , Wolfinger, R. D. (1996). SAS system for mixed models . Cary, NC: SAS Institute Inc . First citation in articleGoogle Scholar

  • Littell, R. C. , Pendergast, J. , Natarajan, R. (2000). Modelling covariance structure in the analysis of repeated measures data. Statistics in Medicine, 19, 1793– 1819 . First citation in articleCrossref, Google Scholar

  • Lutz, W. , Martinovich, Z. , Howard, K. I. (1999). Patient profiling: An application of random coefficient regression models to depicting the response of a patient to outpatient psychotherapy. Journal of Consulting and Clinical Psychology, 67, 571– 577 . First citation in articleCrossref, Google Scholar

  • Nagl, W. (1992). Statistische Datenanalyse mit SAS . Frankfurt: Campus-Verlag . First citation in articleGoogle Scholar

  • Rosner, R. , Frick, U. , Beutler, L. E. , Daldrup, R. (1999). Depressionsverläufe in unterschiedlichen Therapieformen - Modellierung durch Hierarchische Lineare Modelle (HLM). Zeitschrift für Klinische Psychologie, 28, 112– 120 . First citation in articleLink, Google Scholar

  • Rost, J. (1996). Lehrbuch Testtheorie, Testkonstruktion . Bern: Huber . First citation in articleGoogle Scholar

  • Rovine, M. J. , Molenaar, P. C. M. (1998). A nonstandard method for estimating a linear growth model in LISREL. International Journal of Behavioral Development, 22, 453– 473 . First citation in articleCrossref, Google Scholar

  • Searle, S. R. , Casella, G. , McCulloch, C. E. (1992). Variance components . New York: Wiley . First citation in articleCrossref, Google Scholar

  • Senn, S. , Stevens, L. , Chaturvedi, N. (2000). Repeated measures in clinical trials: simple strategies for analysis using summary measures. Statistics in Medicine, 19, 861– 877 . First citation in articleCrossref, Google Scholar

  • Spieß, M. , Keller, F. (1999). A mixed approach and a distribution-free multiple imputation technique for the estimation of a multivariate probit model with missing values. British Journal of Mathematical and Statistical Psychology, 52, 1– 17 . First citation in articleCrossref, Google Scholar

  • Strenio, J. F. , Weisberg, H. I. , Bryk, A. S. (1983). Empirical Bayes estimation of individual growth-curve parameters and their relationship to covariates. Biometrics, 39, 71– 86 . First citation in articleCrossref, Google Scholar

  • Sullivan, L. M. , Dukes, K. A. , Losina, E. (1999). An introduction to hierarchical linear modeling. Statistics in Medicine, 18, 855– 888 . First citation in articleCrossref, Google Scholar

  • Timm, N. H. , Mieczkowski, T. A. (1997). Univariate and multivariate general linear models: Theory and applications using SAS software . Cary, NC: SAS Institute Inc . First citation in articleGoogle Scholar

  • Verbeke, G. (1997). Linear mixed models for longitudinal data. In G. Verbeke & G. Molenberghs (Eds.), Linear mixed models in practice: A SAS-oriented approach (pp. 63-153). New York: Springer-Verlag . First citation in articleCrossref, Google Scholar

  • Zeger, S. L. , Liang, K.-Y. , Albert, P. S. (1988). Models for longitudinal data: A generalized estimating equation approach. Biometrics, 44, 1049– 1060 . First citation in articleCrossref, Google Scholar